Fugu-MT 論文翻訳(概要): Discovering long term dependencies in noisy time series data using deep learning

論文の概要: Discovering long term dependencies in noisy time series data using deep learning

arxiv url: http://arxiv.org/abs/2011.07551v1
Date: Sun, 15 Nov 2020 15:10:57 GMT
ステータス: 処理完了
システム内更新日: 2022-09-25 06:54:35.617658
Title: Discovering long term dependencies in noisy time series data using deep learning
Title（参考訳）: ディープラーニングを用いた騒音時系列データの長期依存性の検出
Authors: Alexey Kurochkin
Abstract要約: 時系列モデリングは、予測保守、品質管理、最適化といったタスクの解決に不可欠である。ディープラーニングはそのような問題を解決するために広く使われている。本稿では,ディープニューラルネットワークを用いた時系列データにおける時間的依存関係のキャプチャと説明のためのフレームワークを開発する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Time series modelling is essential for solving tasks such as predictive maintenance, quality control and optimisation. Deep learning is widely used for solving such problems. When managing complex manufacturing process with neural networks, engineers need to know why machine learning model made specific decision and what are possible outcomes of following model recommendation. In this paper we develop framework for capturing and explaining temporal dependencies in time series data using deep neural networks and test it on various synthetic and real world datasets.
Abstract（参考訳）: 時系列モデリングは、予測メンテナンス、品質管理、最適化といったタスクの解決に不可欠である。ディープラーニングはそのような問題を解決するために広く使われている。ニューラルネットワークを使って複雑な製造プロセスを管理する場合、エンジニアは機械学習モデルがなぜ特定の決定を下したのか、モデル推奨の結果は何かを知る必要がある。本稿では,ディープニューラルネットワークを用いて時系列データの時間依存性をキャプチャし,説明し,様々な合成および実世界のデータセット上でテストするフレームワークを開発する。

関連論文リスト

State-Space Modeling in Long Sequence Processing: A Survey on Recurrence in the Transformer Era [59.279784235147254]
このサーベイは、シーケンシャルなデータ処理の反復モデルに基づく最新のアプローチの詳細な概要を提供する。新たなイメージは、標準のバックプロパゲーション・オブ・タイムから外れた学習アルゴリズムによって構成される、新しいルートを考える余地があることを示唆している。
論文参考訳（メタデータ） (2024-06-13T12:51:22Z)
Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文参考訳（メタデータ） (2023-01-30T12:38:31Z)
Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文参考訳（メタデータ） (2021-12-15T20:09:20Z)
Multimodal Meta-Learning for Time Series Regression [3.135152720206844]
メタラーニングを用いてモデルパラメータを新しい短史時系列に迅速に適応させるアイデアについて検討する。提案手法は,12実験中9実験において,少ないデータでTSRを学習し,ベースラインよりも優れていることを示す。
論文参考訳（メタデータ） (2021-08-05T20:50:18Z)
PyTorch Geometric Temporal: Spatiotemporal Signal Processing with Neural Machine Learning Models [8.572409162523735]
pytorch temporalは、神経信号処理のための時間的ディープラーニングフレームワークである。 PyTorchのエコシステムにある既存のライブラリの基礎として作られた。実験では、フレームワークが豊富な時間的特徴と空間構造を持つWebスケールデータセット上で動作できる可能性があることが示された。
論文参考訳（メタデータ） (2021-04-15T21:45:57Z)
An Experimental Review on Deep Learning Architectures for Time Series Forecasting [0.0]
時系列予測のための最も広範な深層学習研究を提供する。すべての研究モデルの中で、結果は、長期短期記憶(LSTM)と畳み込みネットワーク(CNN)が最良の代替手段であることを示しています。 CNNは、異なるパラメータ設定の下で結果の変動が少なく、比較性能を達成し、効率も向上します。
論文参考訳（メタデータ） (2021-03-22T17:58:36Z)
Adjusting for Autocorrelated Errors in Neural Networks for Time Series Regression and Forecasting [10.659189276058948]
我々は,自己相関係数をモデルパラメータと組み合わせて学習し,自己相関誤差の補正を行う。時系列回帰では,大規模な実験により,本手法がPrais-Winsten法より優れていることが示された。実世界の幅広いデータセットを対象とした結果から,ほぼすべてのケースにおいて,本手法が性能を向上させることが示唆された。
論文参考訳（メタデータ） (2021-01-28T04:25:51Z)
Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文参考訳（メタデータ） (2021-01-12T20:08:18Z)
Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文参考訳（メタデータ） (2020-12-15T16:29:49Z)
Time Series Forecasting With Deep Learning: A Survey [5.351996099005896]
我々は,1ステップアヘッドとマルチホライゾン時系列予測の両方で使用される共通エンコーダとデコーダの設計を調査した。我々は、よく研究された統計モデルとニューラルネットワークコンポーネントを組み合わせたハイブリッドディープラーニングモデルの最近の発展に注目した。
論文参考訳（メタデータ） (2020-04-28T10:32:26Z)
A System for Real-Time Interactive Analysis of Deep Learning Training [66.06880335222529]
現在利用可能なシステムは、トレーニングプロセスが始まる前に指定しなければならないログデータのみを監視することに限定されている。本稿では,リアルタイム情報を生成するライブプロセス上で対話型クエリを実行可能にするシステムを提案する。
論文参考訳（メタデータ） (2020-01-05T11:33:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。